集团专车驾驶行为分析研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 数据挖掘在驾驶行为研究中的应用 | 第9-10页 |
| 1.1.2 Mobileye车祸预防系统介绍 | 第10-11页 |
| 1.2 研究目的和难点 | 第11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 研究内容 | 第13-14页 |
| 1.5 本文主要结构 | 第14-16页 |
| 第二章 相关工具与技术介绍 | 第16-21页 |
| 2.1 K-means算法 | 第16页 |
| 2.2 高斯混合模型算法 | 第16-17页 |
| 2.3 时间序列降维和相似性度量 | 第17-18页 |
| 2.4 时间序列周期模式挖掘 | 第18-19页 |
| 2.5 算法关系 | 第19-20页 |
| 2.6 数据可视化工具 | 第20页 |
| 2.6.1 Echarts | 第20页 |
| 2.6.2 Matplotlib | 第20页 |
| 2.7 本章总结 | 第20-21页 |
| 第三章 专车驾驶行为分析系统设计与数据预处理 | 第21-30页 |
| 3.1 系统介绍 | 第21-25页 |
| 3.1.1 系统架构 | 第21-22页 |
| 3.1.2 功能介绍 | 第22-23页 |
| 3.1.3 数据库设计 | 第23-25页 |
| 3.2 数据预处理 | 第25-29页 |
| 3.2.1 原始数据分析 | 第26-27页 |
| 3.2.2 数据清洗 | 第27-28页 |
| 3.2.3 特征描述 | 第28-29页 |
| 3.3 本章总结 | 第29-30页 |
| 第四章 驾驶行为分析 | 第30-62页 |
| 4.1 驾驶人员K-means聚类 | 第30-38页 |
| 4.1.1 距离计算 | 第30页 |
| 4.1.2 聚类过程及结果 | 第30-38页 |
| 4.2 驾驶人员高斯混合模型聚类 | 第38-43页 |
| 4.2.1 归纳偏置 | 第38页 |
| 4.2.2 聚类结果 | 第38-43页 |
| 4.3 驾驶行为时间序列相似性度量 | 第43-52页 |
| 4.3.1 DTW | 第43-46页 |
| 4.3.2 驾驶行为时间序列相似性结果 | 第46-52页 |
| 4.4 驾驶行为时间序列周期模式挖掘 | 第52-61页 |
| 4.4.1 SAX符号化时间序列 | 第52-57页 |
| 4.4.2 基于后缀数组的周期模式挖掘算法 | 第57-59页 |
| 4.4.3 驾驶行为周期模式结果 | 第59-61页 |
| 4.5 本章总结 | 第61-62页 |
| 第五章 集团专车驾驶行为分析系统结果展示与评价 | 第62-69页 |
| 5.1 数据统计界面展示 | 第62-64页 |
| 5.2 K-means聚类界面展示 | 第64页 |
| 5.3 GMM聚类界面展示 | 第64-65页 |
| 5.4 时间序列相似性度量界面展示 | 第65-67页 |
| 5.4.1 原始时间序列展示 | 第65-66页 |
| 5.4.2 DTW相似性度量界面展示 | 第66-67页 |
| 5.5 周期模式挖掘界面展示 | 第67-68页 |
| 5.6 本章总结 | 第68-69页 |
| 第六章 工作总结与展望 | 第69-70页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 在学期间的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
